模糊线性判别QR分析的茶叶近红外光谱鉴别分析

不同品种茶叶因其所含的有机化学成分不同,其效果也会有差别。所以,寻找出一种能准确迅速的鉴别茶叶品种的技术方法是非常重要的。近红外光谱(NIR)分析是一种无损检测技术,能很好的鉴别茶叶品种。使用NIR光谱仪采集茶叶的NIR数据。为了对包含噪声信号的茶叶近红外光谱进行准确鉴别,提出了一种模糊线性判别QR分析的新方法,可以对茶叶近红外光谱进行准确分类。通过使用模糊线性判别分析(FLDA)将由主成分分析(PCA)压缩的茶叶近红外光谱数据进行降维,由模糊线性判别分析得出的特征向量构建鉴别向量矩阵,对鉴别向量矩阵进行矩阵的QR分解,得到新的鉴别向量矩阵。经过模糊线性判别QR分析后使用K近邻算法进行分类,具有准确率高等优点。以岳西翠兰、六安瓜片、施集毛峰和黄山毛峰四种茶叶为研究样本,每类65个,茶叶样本总数为260个。采集茶叶近红外光谱数据的仪器为AntarisⅡ型傅里叶近红外光谱仪对光谱数据进行预处理,采用多元散射校正,由于采集到的茶叶光谱数据存在散射干扰。以此得到的近红外光谱数据的维数为1557维,通过主成分分析压缩数据集的维数,使得光谱数据集的维数达到7维。经压缩过后的光谱数据集中的鉴别信息再通过模糊线性判别QR分析进行提取,使得光谱数据的维数降低到3维。利用K近邻算法对茶叶样本进行分类,实现对茶叶品种的准确分类。最后进行三种算法分析结果的比较,分别是主成分分析结合K近邻算法、主成分分析和线性判别分析结合K近邻算法、主成分分析和模糊线性判别QR分析结合K近邻算法。在权重指数m=2,K=1条件下,最后的分类准确率分别为83.89%, 87.78%和98.33%。实验结果显示:模糊线性判别QR分析可以实现茶叶近红外光谱的准确鉴别分析,其展现出来的效果比主成分分析和线性判别分析表现的效果更好。

面向非球形分布数据的自适应K近邻聚类算法

针对传统聚类算法处理非球形分布数据的不足，提出了一种新型的自适应K近邻 聚类算法。该算法由数据集归一化、初始类别构造和初始类别融合3个步骤构成。仿真结果 表明，该算法在无须聚类数目的前提下，对非球型分布数据具有很好的聚类效果。

认同度修正下的近相邻改进推荐算法研究

如何融合多方因素准确地为用户提供个性化产品一直是关注的热点问题,由此,一个新的近相邻改进算法融入了大众化认同度和个性化认同度,利于更加高效地挖掘隐藏信息。实验结果表明,相对于传统近相邻算法,认同度修正算法虽然查全率小幅度上下波动,但其他多个评价指标都得到极大提升,假正率和深度有所减少,查准率、F1值和提升度得以增加,并且,受试者特征曲线和提升曲线也都说明此修正算法具有更为显著的推荐效果。

一种改进的自适应K近邻聚类算法

为解决传统聚类算法不能处理非球形分布数据的问题,文犤5犦提出了一种自适应k近邻聚类算法。该算法在无需聚类数目的前提下,能有效解决非球形分布数据的聚类问题。但进一步的研究表明,该算法在处理带“奇异”样本的数据集时失去效果。为此,该文给出了一种改进的自适应k近邻聚类算法。仿真结果表明,新算法不仅保持了原算法在处理非球形分布数据时的优良特性,还成功解决了“奇异”样本问题。

邻域法在三维显微图像复原中的应用研究

三维显微图像复原方法通常分为两类:邻域法和三维去卷积法。本文详细介绍了邻域法的基本原理;对邻域法公式中参数c,α的不同选择和相应的复原结果进行了评价,通过仿真实验得出了考虑不同切片数时c,α的最佳选择以及不同显微成像系统所需考虑切片数M的最佳选择。与三维去卷积法相比,邻域法具有简单、计算量小,容易实现等优点,适合于观察活的生物和进行实时连续观察。

基于改进KNN算法的交通流异常数据修复方法

交通流数据分析是交通规划、控制、管理等工作实施的基础;交通流数据异常会给交通状态辨识及交通管理和控制带来困扰,不利于交通领域各方面研究及工作的开展;因此,对异常数据进行修复具有必要性;为了提高交通流异常数据修复精度,进一步改善交通数据质量,构建了基于改进K近邻(K-Nearest Neighbor,KNN)算法的交通流异常数据修复模型;通过对KNN基础模型中k值和状态向量进行优选、提出距离占比的近邻值权重选取方式,实现对其模型的改进;为了验证模型的有效性,采用实测交通流数据进行实验分析;实验结果表明,改进的KNN数据修复模型具有更高的修复精度,其平均相对误差为9.88%,能够有效改善数据质量,为智能交通控制体系提供基础数据支持。

基于近邻算法的GAN生成图像质量评价

GAN生成图像质量评价是指对GAN生成的图像进行评价,判断生成图像的失真度是否影响观察者的信息获取和主观感受.目前,GAN生成图像质量评价算法较少且算法运行效率不高.该文提出一种基于近邻算法的生成图像质量评价(Near-Neighbor based Generated Image Quality Assessment,NN-GIQA)算法,实现对GAN生成图像的自动、客观、高效评价.首先,基于ANN算法获取生成图像的近邻构成相似图像候选池,缩小生成图像对比范围;然后,基于KNN算法在相似图像候选池中获取与生成图像最相似的K个真实图像得到生成图像质量分数;最后,评价多个经典GAN模型在多个经典数据集上获取的生成图像的质量.实验结果表明本文方法有效提高了GAN生成图像质量评价的效率和准确性,运行时间仅为其他方法的1/9~1/28,其评价结果和人类主观评价结果的一致性达到80%以上,符合人类视觉感知.

引入近邻约束的自适应门限M/N检测算法

针对高动态、低载噪比环境下,捕获扩频信号会出现伪码相位与载波频率的动态迁移及相关峰值损耗较大等问题,研究了捕获系统中的检测判决模块。首先,通过分析捕获相关结果的统计学特性,确定了不同积累时间对应的自适应门限;其次,考虑信号的高动态特性,对多普勒频率造成的伪码相位偏移进行近邻约束;最后,将近邻约束条件和自适应门限判决方法应用到M/N检测算法中,若N次检测中有M次结果满足自适应门限条件和近邻约束条件,则判断信号捕获成功。理论分析表明,改进后的M/N检测方法在单次检测的虚警率固定时,可使系统的虚警率大幅降低,因此,该方法通过降低单次积累的门限值,提高了检测概率,降低了虚警率。仿真结果表明,改进后的判决策略显著提高了捕获算法的灵敏度,改善了捕获性能。

考虑纤维波纹度的单向复合材料代表性体积元生成算法

提出一种单向纤维增强复合材料(Unidirectional fiber reinforced polymer,UD-FRP)周期性高保真代表性体积元(Representative volume element,RVE)的创建算法。首先基于随机游走算法,采用贝塞尔(Bézier)曲线表征纤维形态,使曲线各控制点处的切线方向的统计分布服从多变量冯·米塞斯-费歇尔(Von-MISES FISCHER)函数,创建出初步的软核模型。进而基于力偏置算法,在保证RVE内部纤维不产生过度扭曲的前提下,调整纤维间的重叠,创建出对应的硬核模型。调整过程中,通过引入三维近邻列表算法,大幅提高算法效率。最后对所创建的含有纤维波纹度特征的RVE模型进行了横向剪切渐进损伤分析,用以揭示该方法的研究价值及应用领域。结果表明,该方法能够快速有效地创建不同尺寸及纤维波纹度的RVE几何构型,这种含有波纹度特征的纤维构型会对UD-FRP的横向剪切性能产生一定影响,纤维波纹度越大,UD-FRP的横向剪切强度越大。

基于维样本近邻区间的分类算法研究

针对传统KNN算法忽略样本分布对分类的影响,易受到孤立样本、噪音等干扰,时间代价大等问题,提出了一种改进的近邻分类算法.该算法首先采用类维样本存储,打破了样本的整体性,转换了训练样本存储模式;其次按类维度寻求未知样本的类维近邻域,计算类维相似度进而得到未知样本的类别相似度;最后以最大类别相似度标识未知样本.该算法提高了分类效率,降低了独立样本对样本分类的影响.同时可处理连续型和标识型样本分类,并可适应各类样本分布情况,扩大了算法的应用范围.实验结果表明,该算法较传统的近邻算法与邻域分类算法在分类精度与分类时间上有了较大提升.